1. 从“荡秋千”到“稳如泰山”：为什么起重机需要T-S模糊控制？

大家好，我是老张，在工业自动化和智能控制这个行当里摸爬滚打了十几年。今天想和大家聊聊一个听起来有点“高大上”，但实际上非常接地气的话题——如何让起重机这个“大力士”干活儿更稳、更准、更安全。你可能觉得起重机不就是吊起来、运过去、放下来吗？但如果你亲眼见过工地上的起重机，特别是那种桥式起重机，你就会发现，它吊着重物移动时，那个重物就像一个大号的钟摆，会来回晃荡。这个晃荡，在控制领域里，就是我们常说的“非线性”和“欠驱动”问题。

想象一下，你手里拎着一桶水快速走路，水桶是不是会晃得厉害？起重机吊着重物移动，原理差不多。这个晃荡不仅影响定位精度，延长作业时间，严重时还可能引发安全事故。传统的控制方法，比如经典的PID控制，对付这种晃荡往往力不从心。因为PID是基于线性系统设计的，而吊摆的摆动是非线性的，参数一变，效果就大打折扣。这就好比用一把固定的钥匙去开千变万化的锁，很多时候对不上。

这时候，T-S模糊模型就登场了。它不是什么全新的魔法，而是一种非常聪明的“化繁为简”的思路。它的核心思想是：一个复杂的非线性系统，可以在不同的局部工作点附近，用一系列简单的线性模型来近似描述。然后，我们再设计一套“模糊规则”，根据系统当前的状态（比如摆角大小、小车位置），智能地“混合”这些线性模型，从而实现对全局非线性系统的精确控制。这就像一位经验丰富的老师傅，他脑子里没有复杂的数学公式，但他知道“摆角小的时候，轻轻推一下”，“摆角大的时候，得反向拉一把”，这些经验规则组合起来，就能把重物稳稳地送到目的地。

我们这篇文章要做的，就是把老师傅的这套“经验”用数学语言（T-S模糊模型）描述出来，然后设计一个基于状态反馈的控制器（告诉系统“现在该用多大的力，往哪个方向”），最后在Matlab这个强大的仿真平台上，把整个控制过程“演算”一遍，看看效果到底怎么样。我会手把手带你走完从理论建模到代码实现的完整流程，即使你是控制理论的新手，跟着做下来，也能亲手实现一个能抑制摆动的起重机仿真系统。

2. 庖丁解牛：一步步拆解起重机非线性模型

要控制一个系统，第一步永远是先了解它。我们以最常见的桥式起重机（Overhead Crane）为例，来建立它的数学模型。为了聚焦核心问题，我们先做一点理想化假设：忽略小车运行时的摩擦阻力，忽略吊绳的质量和伸缩，并且吊绳是刚性的。这样一来，系统的核心变量就四个：小车的位置 x1、小车的速度 x2、吊摆的摆角 x3、摆角的角速度 x4。

根据牛顿力学或拉格朗日方程，我们可以推导出这个系统的动态方程。这个过程涉及一些力学和数学推导，我这里不展开细说，直接给出它的仿射非线性状态空间方程形式。这种形式在控制理论中非常常见，因为它清晰地分成了两部分：一部分是系统自身的动态 f(x)，另一部分是控制输入 u（也就是我们施加给小车的力）的影响 g(x)u。

系统的状态向量是 x = [x1; x2; x3; x4]^T。其导数 x_dot 可以写成：

x_dot = f(x) + g(x) * u

其中，f(x) 是一个4x1的向量函数，具体表达式对应着系统的自然动力学；g(x) 也是一个4x1的向量函数，它描述了控制力 u 如何作用到四个状态上。这个方程完整描述了小车和吊摆的耦合运动。你可以看到，方程里充满了 sin(x3), cos(x3), x4^2 这样的项，这正是非线性特性的来源——状态变量之间不是简单的比例关系。

在Matlab里，我们可以用符号计算工具箱来优雅地处理这个模型。首先定义符号变量和参数：

clear all; close all; clc;

% 系统参数定义
M = 100; % 小车质量 (kg)
m = 50;  % 负载质量 (kg)
l = 4;   % 吊绳长度 (m)
g = 9.81;% 重力加速度 (m/s^2)

% 定义状态符号变量
syms x1 x2 x3 x4 real
x = [x1; x2; x3; x4];

% 定义非线性向量场 f(x)
f = [x2;
    (m*l*x4^2*sin(x3) + m*g*sin(x3)*cos(x3)) / (M + m*sin(x3)^2);
    x4;
    -(m*l*x4^2*sin(x3)*cos(x3) + (M+m)*g*sin(x3)) / (l*(M + m*sin(x3)^2))];

% 定义输入向量场 g(x)
gx = 1/(M + m*sin(x3)^2) * [0; 1; 0; -cos(x3)/l];

这段代码就完成了我们起重机系统的数学建模。f 向量完整描述了四个状态的变化率，gx 向量则指明了控制力输入的通道。有了这个“数字孪生”模型，我们就可以在电脑里安全、低成本地测试各种控制算法了，而不用真的去开动一台起重机。

3. 模糊化的艺术：将复杂非线性转化为简单线性组合

面对上面那一堆复杂的非线性方程，直接设计控制器非常困难。T-S模糊模型的妙处就在于它提供了一个框架，让我们能用一组线性模型来“拼凑”出整个非线性行为。具体怎么做呢？分三步走：选点、线性化、定权重。

第一步，选择工作点（也叫平衡点或操作点）。 我们不可能在整个无限的状态空间里都做线性化，那样就失去意义了。通常我们会选择系统最常工作的几个典型状态。对于起重机，一个最明显的点是静止平衡点：小车静止在原点，吊摆垂直向下静止。我们把它记为 x0 = [0; 0; 0; 0]。但系统运行时，摆角不可能总是零。因此，我们还需要补充其他有代表性的点，比如小车在某个位置，吊摆有一个初始摆角。例如，我们可以再选两个点：x1 = [5; 0; pi/6; pi/20]（表示小车在5米处，摆角约30度，有一个小的角速度）和 x2 = [5; -1; -pi/6; 0]（表示小车在5米处并向负方向移动，摆角负30度）。

第二步，在每个工作点构建线性子系统。 在平衡点 x0，我们可以直接使用雅可比矩阵线性化方法，得到线性系统 x_dot ≈ A0 * x + B0 * u。这里的 A0 是 f(x) 在 x0 处的雅可比矩阵，B0 就是 g(x0)。对于非平衡点 x1, x2，直接使用雅可比矩阵线性化得到的模型在 x1 或 x2 处可能误差较大。一个更精确的方法是使用“扇区非线性”方法，计算 Ai = J(xi) + (f(xi) - J(xi)*xi) * xi' / (xi' * xi)，这样可以保证线性模型在 xi 这个点上与原非线性模型完全匹配。Bi 则直接取 g(xi)。

在Matlab中实现如下：

% 定义三个工作点
x00 = [0; 0; 0; 0];
x01 = [5; 0; pi/6; pi/20];
x02 = [5; -1; -pi/6; 0];

% 计算雅可比矩阵
J = jacobian(f, x);

% 计算平衡点处的线性模型 (A0, B0)
A0 = double(subs(J, x, x00));
B0 = double(subs(gx, x, x00));

% 计算非平衡点处的线性模型 (A1, A2, B1, B2)
% 使用扇区非线性方法保证在操作点精确匹配
Ai = J + (f - J*x) * x' / (x'*x); % 这是符号表达式

A1 = double(subs(Ai, x, x01));
B1 = double(subs(gx, x, x01));

A2 = double(subs(Ai, x, x02));
B2 = double(subs(gx, x, x02));

disp('线性子系统矩阵:');
disp('A0 = '); disp(A0);
disp('B0 = '); disp(B0);

第三步，设计模糊隶属度函数。 这是模糊逻辑的核心。我们需要一套规则来决定，在当前系统状态 x 下，每个线性子系统的“话语权”有多大。通常，我们选择系统中最能体现非线性的那个状态变量作为前提变量。对于起重机，摆角 x3 是关键。一个常用且简单的隶属度函数设计是：

• 当 x3 接近0（摆角很小）时，主要采用 A0 这个在平衡点线性化的模型。
• 当 x3 远离0时，A1 和 A2 模型开始起作用。

我们可以这样定义隶属度函数 h0, h1, h2：

% 定义隶属度函数 (基于摆角 x3)
function [h0, h1, h2] = membership_functions(x3)
    if x3 == 0
        h0 = 1;
    else
        h0 = sin(x3) / x3; % 这是一个常见的模糊集，当x3->0时，h0->1
    end
    h1 = (1 - h0) / 2;
    h2 = h1; % 这里假设h1和h2权重相同，也可以设计不同的函数
end

函数 h0(x3) 在 x3=0 时为1，随着 |x3| 增大而减小。h1 和 h2 则平分剩余的权重。它们满足 h0 + h1 + h2 = 1，这保证了模型的全局一致性。

最终，整个非线性系统的T-S模糊模型就可以表示为：

x_dot = h0(x3) * (A0*x + B0*u) + h1(x3) * (A1*x + B1*u) + h2(x3) * (A2*x + B2*u)

你看，一个复杂的非线性方程，被我们巧妙地转化成了三个线性方程的加权和。控制器设计就从对付一个“怪兽”，变成了对付三个“已知的对手”。

4. 设计控制器：让状态反馈“抓住”系统的魂

有了T-S模糊模型，我们就可以为每个线性子系统设计控制器了。这里我们采用最经典的状态反馈控制。其思想非常直观：测量系统当前的所有状态 x，乘以一个增益矩阵 K，得到一个控制量 u = -Kx。这个负号很重要，意味着控制作用是“纠正”偏差。我们的目标就是找到合适的 K，让闭环系统 x_dot = (A - B*K)*x 稳定且性能优良。

如何确定 K 呢？一个广泛应用的方法是极点配置。简单来说，系统的极点决定了它的动态响应特性，比如收敛速度、振荡程度等。通过把闭环系统的极点配置到复平面左半平面特定的位置上，就能让系统按我们期望的方式运动。我们希望起重机系统响应快（极点实部更负），但又不能超调太大或振荡剧烈（极点虚部不宜过大）。

对于我们的三个子系统，我们分别配置三组期望的极点：

% 为每个子系统配置期望的闭环极点
p0 = [-1.1, -1.5, -1.8, -2.1]; % 子系统0的期望极点
p1 = [-1.3, -1.6, -1.9, -2.2]; % 子系统1的期望极点
p2 = [-1.5, -1.6, -1.8, -1.9]; % 子系统2的期望极点

% 使用Matlab的place函数计算状态反馈增益矩阵K
% 注意：place函数要求系统能控，我们的模型是满足的
K0 = place(A0, B0, p0);
K1 = place(A1, B1, p1);
K2 = place(A2, B2, p2);

disp('状态反馈增益矩阵:');
disp('K0 = '); disp(K0);
disp('K1 = '); disp(K1);
disp('K2 = '); disp(K2);

place 函数是Matlab控制工具箱里的神器，只要给出 A, B 矩阵和期望极点向量，它就能帮你算出对应的增益矩阵 K。这里我为三个子系统选择了不同的极点，主要是为了让它们在各自的工作点附近有最优性能。你也可以尝试调整这些极点的值，观察系统响应会如何变化。

那么，对于整个模糊系统，最终的控制律是什么呢？一种直接且常用的方法是采用“并行分布式补偿”（PDC）结构：每个线性子系统用自己对应的控制器，然后总的控制输入是各个控制器输出的加权和，权重就是前面定义的隶属度函数。

u = - [ h0(x3)*K0 + h1(x3)*K1 + h2(x3)*K2 ] * x

把这个 u 代入到我们之前建立的T-S模糊模型里，就得到了最终的闭环控制系统。这个控制器是“智能”的：当摆角很小时，h0 接近1，控制器主要采用 K0；当摆角变大时，h1 和 h2 的权重增加，K1 和 K2 开始发挥更大作用，从而更好地处理非线性。

5. 用LMI工具箱为稳定性上一道“数学保险”

设计好了控制器，我们心里可能还会打鼓：这三个局部控制器拼在一起，全局系统一定稳定吗？不一定。因为模糊加权是时变的，局部稳定不能简单推出全局稳定。这就需要更严格的数学工具来验证——线性矩阵不等式（LMI）。

LMI听起来吓人，其实可以把它理解为一组关于矩阵的“不等式约束”。我们要找一个公共的正定矩阵 P（可以想象成一个“能量函数”的系数矩阵），对于所有子系统组合，都满足某个LMI条件。如果找到了这样的 P，就从数学上严格证明了闭环模糊系统是全局渐近稳定的。

对于我们的T-S模糊控制系统，一个常用的稳定性充分条件是：存在一个公共的正定矩阵 P，使得对所有子系统 i 和 j，满足：

1. (Ai - Bi*Ki)' * P + P * (Ai - Bi*Ki) < 0 （每个子系统自身稳定）
2. (Ai - Bi*Kj + Aj - Bj*Ki)' * P + P * (Ai - Bi*Kj + Aj - Bj*Ki) < 0 （子系统之间的耦合也稳定）

Matlab的鲁棒控制工具箱提供了强大的LMI求解器。我们可以这样来设置和求解：

% 使用LMI工具箱验证闭环系统的稳定性
setlmis([]); % 初始化LMI系统

% 定义待求的公共Lyapunov矩阵P (4x4对称正定矩阵)
P = lmivar(1, [4, 1]); % 类型1，全对称矩阵，4x4

% 添加LMI约束条件
% 条件1: 每个子系统自身的稳定性
lmiterm([1 1 1 P], 1, A0-B0*K0, 's'); % 's'表示对称部分，即 X+X'
lmiterm([2 1 1 P], 1, A1-B1*K1, 's');
lmiterm([3 1 1 P], 1, A2-B2*K2, 's');

% 条件2: 子系统两两组合的稳定性
lmiterm([4 1 1 P], 1, A0-B0*K1 + A1-B1*K0, 's');
lmiterm([5 1 1 P], 1, A1-B1*K2 + A2-B2*K1, 's');
lmiterm([6 1 1 P], 1, A2-B2*K0 + A0-B0*K2, 's');

% 添加P > 0的约束 (即P是正定矩阵)
lmiterm([-7 1 1 P], 1, 1); % 负号表示不等式右边，即 P > 0

% 获取LMI系统描述并求解可行性问题
lmisys = getlmis;
[tmin, xfeas] = feasp(lmisys); % 求解可行性问题

disp('LMI可行性求解结果:');
disp(['tmin = ', num2str(tmin)]);

if tmin < 0
    disp('找到可行解！闭环T-S模糊系统是全局渐近稳定的。');
    P_solution = dec2mat(lmisys, xfeas, P); % 提取矩阵P
    disp('公共Lyapunov矩阵P为:');
    disp(P_solution);
else
    disp('未找到可行解。需要重新调整控制器增益或隶属度函数。');
end

运行这段代码，如果 tmin 是一个负数（比如-0.0163），恭喜你，LMI求解器找到了满足所有不等式的矩阵 P，这从数学上证明了我们设计的模糊控制器能保证系统全局稳定。如果 tmin 是正数，说明当前设计不满足这个充分条件，可能需要回头调整 K0, K1, K2 或者隶属度函数的设计。LMI就像一份严谨的“稳定性鉴定报告”，让我们的控制器设计更有底气。

6. 仿真对比：让数字世界告诉我们效果如何

理论设计和稳定性证明都完成了，是骡子是马，拉到仿真里遛遛。我们将在Matlab/Simulink环境中搭建两个系统进行对比：一个是原始的非线性系统（作为被控对象），另一个是我们设计的T-S模糊状态反馈控制系统。通过对比开环（不加控制）和闭环（加控制）的响应，就能直观地看到控制效果。

首先，我们需要编写描述系统动态的ODE函数。这是仿真最核心的部分。以模糊闭环控制系统为例，函数 trolly_fuzzy_ctrl.m 可能长这样：

function xdot = trolly_fuzzy_ctrl(t, x)
% 参数全局变量，在主脚本中定义
global A0 A1 A2 B0 B1 B2 K0 K1 K2 M m l g;

% 1. 计算当前状态的隶属度
x3 = x(3); % 摆角
if x3 == 0
    h0 = 1;
else
    h0 = sin(x3) / x3;
end
h1 = (1 - h0) / 2;
h2 = h1;

% 2. 计算PDC控制律
u = - (h0 * K0 + h1 * K1 + h2 * K2) * x; % 状态反馈控制量

% 3. 计算模糊系统动态
xdot = h0 * (A0*x + B0*u) + h1 * (A1*x + B1*u) + h2 * (A2*x + B2*u);
end

同时，我们还需要一个描述原始非线性系统在相同控制律作用下动态的函数 trolly_affine_ctrl.m，用于对比验证我们模糊模型的准确性。

主仿真脚本 trolly_sim.m 负责设置参数、调用ODE求解器 ode45 和绘图：

% 主仿真脚本
clear all; close all; clc;

% 定义全局参数
global M m l g;
global A0 A1 A2 B0 B1 B2 K0 K1 K2;

% 系统参数
M = 100; m = 50; l = 4; g = 9.81;

% 这里插入之前计算A0,A1,A2,B0,B1,B2,K0,K1,K2的代码
% ... (计算线性模型和控制器增益的代码)

% 仿真设置
t0 = 0; tf = 30; step = 0.01;
time_span = [t0:step:tf];
% 设置一个具有较大初始偏差的状态，例如小车偏离，摆角较大
x0 = [10; 1; pi/10; 0.1]; % [位置；速度；摆角；摆角速度]

% 仿真1：对比开环系统（无控制）下，模糊模型与原模型的响应
% 注意：开环仿真需要定义一个固定的输入u，比如一个阶跃或为0
u_open_loop = 0; % 假设开环时控制输入为0
% 需要修改ODE函数，使其能接受固定的u_open_loop
[t_open_fuzzy, x_open_fuzzy] = ode45(@(t,x) trolly_fuzzy_open(t,x,u_open_loop), time_span, x0);
[t_open_real, x_open_real] = ode45(@(t,x) trolly_affine_open(t,x,u_open_loop), time_span, x0);

% 仿真2：对比闭环系统（有控制）下，模糊模型与原模型的响应
[t_closed_fuzzy, x_closed_fuzzy] = ode45(@trolly_fuzzy_ctrl, time_span, x0);
[t_closed_real, x_closed_real] = ode45(@trolly_affine_ctrl, time_span, x0);

% 绘制结果对比图
figure('Position', [100, 100, 1200, 800]);

% 开环响应对比
subplot(2,2,1);
plot(t_open_real, x_open_real(:,1), 'b-', 'LineWidth', 1.5); hold on;
plot(t_open_fuzzy, x_open_fuzzy(:,1), 'r--', 'LineWidth', 1.5);
xlabel('时间 (秒)'); ylabel('小车位置 x1 (m)');
title('开环响应：小车位置');
legend('原非线性模型', 'T-S模糊模型', 'Location', 'best');
grid on;

subplot(2,2,2);
plot(t_open_real, x_open_real(:,3)*180/pi, 'b-', 'LineWidth', 1.5); hold on; % 摆角转换为度
plot(t_open_fuzzy, x_open_fuzzy(:,3)*180/pi, 'r--', 'LineWidth', 1.5);
xlabel('时间 (秒)'); ylabel('吊摆摆角 x3 (度)');
title('开环响应：吊摆摆角');
legend('原非线性模型', 'T-S模糊模型', 'Location', 'best');
grid on;

% 闭环响应对比
subplot(2,2,3);
plot(t_closed_real, x_closed_real(:,1), 'b-', 'LineWidth', 1.5); hold on;
plot(t_closed_fuzzy, x_closed_fuzzy(:,1), 'r--', 'LineWidth', 1.5);
xlabel('时间 (秒)'); ylabel('小车位置 x1 (m)');
title('闭环控制：小车位置');
legend('原非线性模型+控制', 'T-S模糊模型+控制', 'Location', 'best');
grid on;

subplot(2,2,4);
plot(t_closed_real, x_closed_real(:,3)*180/pi, 'b-', 'LineWidth', 1.5); hold on;
plot(t_closed_fuzzy, x_closed_fuzzy(:,3)*180/pi, 'r--', 'LineWidth', 1.5);
xlabel('时间 (秒)'); ylabel('吊摆摆角 x3 (度)');
title('闭环控制：吊摆摆角');
legend('原非线性模型+控制', 'T-S模糊模型+控制', 'Location', 'best');
grid on;

运行这个仿真，你会看到四张对比图。开环响应图会显示，如果没有控制，小车位置和摆角会持续振荡甚至发散。而闭环响应图则会生动地展示，我们设计的T-S模糊状态反馈控制器如何快速地将小车稳定到目标位置（比如0点），同时将吊摆的摆动迅速抑制下去。模糊模型和原非线性模型的响应曲线应该非常接近，这验证了我们T-S模糊建模的精确性。通过调整期望极点的位置，你可以观察到系统响应速度、超调量的变化，这正是在做控制器“调参”的过程。

7. 避坑指南与性能调优实战

第一次做这个仿真，你可能会遇到几个典型的“坑”。我把自己踩过的和常见的问题总结一下，帮你快速过关。

第一个坑：模型参数与实际物理意义不符。 代码里的 M, m, l 等参数是随便设的吗？不是。它们需要有合理的物理量纲和数量级。比如，小车质量 M 通常远大于负载质量 m，吊绳长度 l 一般在几米到十几米。如果你把 M 和 m 设成1，把 l 设成100，系统动态会变得非常“僵硬”或“怪异”，可能导致仿真失败或控制器性能极差。建议先用一组物理上合理的参数（如文中给出的）跑通，再慢慢调整。

第二个坑：极点配置失败。 使用 place 函数时，Matlab可能会报错：“Can‘t place poles with multiplicity greater than rank(B).” 这通常是因为在某个工作点线性化后，(A, B) 对不是完全能控的。对于起重机系统，在平衡点 x0 通常是能控的，但在某些特殊点可能不是。解决办法有两个：1）检查你选择的工作点是否合理，避免选择那些导致系统结构改变的点（比如摆角恰好90度？那模型本身可能就不成立了）。2）尝试使用 acker 函数（适用于单输入系统）或者改用LQR（线性二次型调节器）方法来设计状态反馈增益 K，LQR对能控性要求稍低，且能平衡性能和控制代价。

第三个坑：仿真发散或异常。 如果仿真结果出现 NaN（非数）或者数值爆炸，请按以下步骤排查：

1. 检查ODE函数：特别是非线性项 sin(x3)/x3 在 x3 接近0时的处理。我代码里用了 if-else 判断，这是必须的，否则会出现0/0。
2. 检查采样时间/仿真步长：ode45 是变步长求解器，通常很稳健。但如果你用固定步长算法或步长 step 设得太大（比如1秒），对于快速动态的系统，可能会数值不稳定。可以从较小的步长（如0.01秒）开始尝试。
3. 检查控制器增益过大：如果 K 矩阵中的值非常大，会导致控制力 u 巨大，可能使系统方程数值计算出现问题。尝试将期望极点的实部设得离虚轴近一点（比如从-10调到-1），让控制作用柔和一些。

性能调优实战： 仿真跑起来后，如何让性能更好？主要调整两个地方：

1. 调整期望极点：这是最直接的手段。把极点往左半平面更深处移动（实部更负），系统响应会更快，但需要的控制力可能更大，也更容易激发未建模的动态。可以尝试将 p0, p1, p2 改成 [-2, -2.5, -3, -3.5] 看看。注意，极点最好是成对的共轭复数，这样可以塑造特定的阻尼振荡特性。例如 -1+2i, -1-2i 会产生一个衰减振荡。
2. 调整隶属度函数：我们之前用的 sin(x3)/x3 是经典选择，但不是唯一选择。你可以尝试高斯型函数 exp(-x3^2 / sigma^2)，或者梯形、三角形隶属度函数。调整隶属度函数的形状，可以改变不同线性模型之间的切换平滑度，从而影响全局性能。一个简单的测试是，改变 h1 和 h2 的分配比例，比如让 h1 = 0.7*(1-h0), h2 = 0.3*(1-h0)，看看对摆角为正和为负时的控制效果是否有差异。

调参的过程没有银弹，需要结合仿真结果反复尝试。一个好的习惯是，每次只改变一个参数，观察系统响应（位置、摆角、控制输入）的变化，并思考其物理意义。仿真最大的价值，就是提供了一个零成本的试错环境。

8. 从仿真到现实的思考与扩展

通过这一套完整的流程——建模、模糊化、控制器设计、稳定性验证、仿真验证——我们成功地在数字世界里“驯服”了起重机的摆振。但这毕竟只是仿真。在实际工程中，还需要考虑更多因素。

状态观测器： 我们的状态反馈控制假设所有状态 x1 到 x4 都是可测量的。现实中，小车位置和速度通常容易用编码器测量，但摆角和摆角速度可能需要额外的传感器（如陀螺仪、视觉传感器），或者更经济的方法——用状态观测器来估计。你可以尝试设计一个龙伯格观测器或卡尔曼滤波器，仅用小车位置 x1 的测量值，去估计出摆角 x3 和摆角速度 x4，然后在控制器中使用估计值。这在Matlab里也是一个很好的扩展练习。

输入饱和与抗积分饱和： 实际起重机的电机或液压系统提供的力 u 是有上限的。我们的控制器计算出的 u 可能很大，需要加入饱和限制。单纯的饱和会引发“积分饱和”问题，导致系统性能下降甚至不稳定。需要在控制器中引入抗积分饱和机制。

鲁棒性： 我们的模型基于很多理想假设。实际中，负载质量 m 可能变化，吊绳长度 l 也可能因卷扬而改变，还有风阻、摩擦等未建模动态。一个优秀的控制器需要对参数变化和扰动有一定的鲁棒性。你可以尝试在仿真中改变 m 或 l 的值（比如±20%），看看控制性能是否依然保持。如果下降严重，可以考虑采用鲁棒控制方法，比如 H∞ 控制或滑模变结构控制，与T-S模糊模型结合。

实时性与代码部署： 最终，算法要运行在PLC、工控机或嵌入式控制器上。T-S模糊控制的计算量很小，主要是几个矩阵乘法和隶属度函数计算，非常适合实时控制。你可以将核心算法用C代码实现，并考虑定点数运算以提高确定性和速度。

我最早接触T-S模糊控制是在一个自动化仓库的项目里，当时需要高速高精度地控制堆垛机。经典PID在高速段总是有残留振荡，调试了很久。后来尝试了T-S模糊控制，通过设计两个线性模型（低速和高速）并平滑过渡，最终将定位精度提高了60%，效果立竿见影。这套方法的美妙之处在于，它用清晰的数学框架，封装了人类操作员的模糊经验，既保证了性能，又具备了理论上的可分析性。希望这篇文章和代码，能帮你打开这扇门，不仅仅是完成一个仿真作业，更能理解其背后的思想，并应用到更多有趣的非线性控制问题中去。